CN113724878A - 基于机器学习的医疗风险信息推送方法及装置 - Google Patents
基于机器学习的医疗风险信息推送方法及装置 Download PDFInfo
- Publication number
- CN113724878A CN113724878A CN202111017430.0A CN202111017430A CN113724878A CN 113724878 A CN113724878 A CN 113724878A CN 202111017430 A CN202111017430 A CN 202111017430A CN 113724878 A CN113724878 A CN 113724878A
- Authority
- CN
- China
- Prior art keywords
- information
- medical
- model
- risk
- site
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000010801 machine learning Methods 0.000 title claims abstract description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 108
- 201000010099 disease Diseases 0.000 claims abstract description 102
- 238000012360 testing method Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 73
- 230000008569 process Effects 0.000 claims abstract description 69
- 238000012216 screening Methods 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000011282 treatment Methods 0.000 claims abstract description 39
- 238000013058 risk prediction model Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 36
- 208000024891 symptom Diseases 0.000 claims description 33
- 238000003745 diagnosis Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 10
- 238000010200 validation analysis Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000010241 blood sampling Methods 0.000 description 6
- 206010012601 diabetes mellitus Diseases 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 208000035475 disorder Diseases 0.000 description 5
- 238000011269 treatment regimen Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 208000007342 Diabetic Nephropathies Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000033679 diabetic kidney disease Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种基于机器学习的医疗风险信息推送方法及装置，涉及人工智能及数字医疗领域，主要目的在于改善现有患病风险发生率升高，以及就医数据处理准确性降低的问题。包括：获取预设采集设备的全部位点信息；基于筛选处理模型从全部位点信息中筛选目标测试位点，提取与目标测试位点匹配的医疗检测数据；基于已完成模型训练的风险预测模型对医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息；若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与第一过程信息的相似度超过预设相似度阈值，则获取用户画像数据中与医疗预测结果匹配的医疗风险信息，并进行推送。
Description
技术领域
本申请涉及人工智能及数字医疗技术领域，特别是涉及一种基于机器学习的医疗风险信息推送方法及装置。
背景技术
随着智慧医疗的快速发展，越来越多的患者选择通过数字化医疗的方式进行就医，或者进行医疗咨询。其中，为了实现患者的及时就诊，会通过医疗风险信息推送的方式将患者就医过程中产生的相关医疗风险进行推送，大大减少患者病情严重的产生风险。
目前，现有的医疗风险信息的推送仅仅是按照时间、年龄、疾病等特征进行固定信息的推送，例如，按照每个月方式向糖尿病患者推送糖肾风险信息，以使患者及时关注自身情况进行就医。但是，仅仅通过特定的特征作为推送依据，无法针对患者的自身情况及时灵活的推送信息，大大提高了患病风险的发生率，降低信息推送的有效性，从而影响智慧医疗系统中就医数据的处理准确性，因此，亟需一种医疗风险信息推送方法来解决上述问题。
发明内容
有鉴于此，本申请提供一种基于机器学习的医疗风险信息推送方法及装置，主要目的在于改善现有无法针对患者的自身情况及时灵活的推送信息，降低了信息推送的有效性，导致患病风险发生率的提高，以及智慧医疗系统中就医数据处理准确性降低的技术问题。
依据本申请一个方面，提供了一种基于机器学习的医疗风险信息推送方法，包括：
获取预设采集设备的全部位点信息；
基于筛选处理模型从所述全部位点信息中筛选目标测试位点，提取与所述目标测试位点匹配的医疗检测数据，所述筛选处理模型为基于测试验证集的模型评估指标对模型超参数进行调整完成训练得到的；
基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息，所述第一过程信息用于表征与所述目标病程信息匹配的病症时间、就诊信息、医疗阶段；
若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与所述第一过程信息的相似度超过预设相似度阈值，则获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送。
优选的，所述获取预设采集设备的全部位点信息之前，所述方法还包括：
获取位点样本测试特征集，确定第一预置个数的主成分特征；
通过各个主成分特征的系数绝对值进行大小顺序排序，筛选第二预置个数的位点信息，并基于所述位点样本测试特征集计算模型评估指标；
通过所述模型评估指标配置调整模型超参数，并结合筛选出的所述位点信息与所述模型超参数对筛选处理模型进行训练。
优选的，其特征在于，所述获取位点样本测试特征集，确定第一预置个数的主成分特征包括：
提取位点样本测试集中至少一个位点位置信息，以及用于标记位点信息完整性的位点标识；
依次按照行、列单位选取从所述位点样本测试集中的至少两个所述位点标识对应的位点位置信息，并统计选取的所述位点位置信息的个数；
基于所述个数与所述预设采集设备的采集长度单位数之比，确定为第一预置个数，并将所述第一预置个数所对应的位点位置信息确定为主成分特征。
优选的，其特征在于，所述基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理之前，所述方法还包括：
构建卷积神经网络模型，并基于医疗检测数据样本集对卷积神经网络模型进行模型训练，得到所述风险预测模型，其中，所述风险预先模型为基于所述医疗检测数据样本集中的测试位点样本数配置所述卷积神经网络模型的层级权值完成迭代训练的。
优选的，其特征在于，所述方法还包括：
获取用户医疗数据库中与目标病症匹配的用户基础数据以及与所述目标病症关联的病症时间、就诊时间、医疗阶段；
基于所述用户基础数据、所述病症时间、所述就诊时间、所述医疗阶段建立目标病症用户画像数据库。
优选的，其特征在于，所述基于所述用户基础数据、所述病症时间、所述就诊时间、所述医疗阶段建立目标病症用户画像数据库之后，所述方法还包括：
获取所述目标病症用户画像数据库中各用户就诊过程中产生的诊断信息、以及与所述诊断信息匹配的当前症状信息、预期症状信息；
结合所述诊断信息、所述当前症状信息、所述预期症状信息生成与不同医疗预测结果匹配的医疗风险信息。
优选的，其特征在于，所述获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送之后，所述方法还包括：
记录所述医疗风险信息的接收次数，并采集各用户基于所述医疗风险信息所产生的医疗操作；
根据所述医疗操作与所述第一过程信息的就诊信息的相似度更新所述预设相似度阈值。
依据本申请另一个方面，提供了一种基于机器学习的医疗风险信息推送装置，包括：
第一获取模块，用于获取预设采集设备的全部位点信息；
筛选模块，用于基于筛选处理模型从所述全部位点信息中筛选目标测试位点，提取与所述目标测试位点匹配的医疗检测数据，所述筛选处理模型为基于测试验证集的模型评估指标对模型超参数进行调整完成训练得到的；
解析模块，用于基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息，所述第一过程信息用于表征与所述目标病程信息匹配的病症时间、就诊信息、医疗阶段；
推送模块，用于若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与所述第一过程信息的相似度超过预设相似度阈值，则获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送。
优选的，所述第一获取模块之前，所述装置还包括：
确定模块，用于获取位点样本测试特征集，确定第一预置个数的主成分特征；
计算模块，用于通过各个主成分特征的系数绝对值进行大小顺序排序，筛选第二预置个数的位点信息，并基于所述位点样本测试特征集计算模型评估指标；
训练模块，用于通过所述模型评估指标配置调整模型超参数，并结合筛选出的所述位点信息与所述模型超参数对筛选处理模型进行训练。
优选的，其特征在于，所述确定模块包括：
提取单元，用于提取位点样本测试集中至少一个位点位置信息，以及用于标记位点信息完整性的位点标识；
统计单元，用于依次按照行、列单位选取从所述位点样本测试集中的至少两个所述位点标识对应的位点位置信息，并统计选取的所述位点位置信息的个数；
确定单元，用于基于所述个数与所述预设采集设备的采集长度单位数之比，确定为第一预置个数，并将所述第一预置个数所对应的位点位置信息确定为主成分特征。
优选的，其特征在于，所述解析模块之前，所述装置还包括：
构建模块，用于构建卷积神经网络模型，并基于医疗检测数据样本集对卷积神经网络模型进行模型训练，得到所述风险预测模型，其中，所述风险预先模型为基于所述医疗检测数据样本集中的测试位点样本数配置所述卷积神经网络模型的层级权值完成迭代训练的。
优选的，其特征在于，所述装置还包括：
第二获取模块，用于获取用户医疗数据库中与目标病症匹配的用户基础数据以及与所述目标病症关联的病症时间、就诊时间、医疗阶段；
建立模块，用于基于所述用户基础数据、所述病症时间、所述就诊时间、所述医疗阶段建立目标病症用户画像数据库。
优选的，其特征在于，所述建立模块之后，所述装置还包括：
第三获取模块，用于获取所述目标病症用户画像数据库中各用户就诊过程中产生的诊断信息、以及与所述诊断信息匹配的当前症状信息、预期症状信息；
生成模块，用于结合所述诊断信息、所述当前症状信息、所述预期症状信息生成与不同医疗预测结果匹配的医疗风险信息。
优选的，其特征在于，所述推送模块之后，所述装置还包括：
记录模块，用于记录所述医疗风险信息的接收次数，并采集各用户基于所述医疗风险信息所产生的医疗操作；
更新模块，用于根据所述医疗操作与所述第一过程信息的就诊信息的相似度更新所述预设相似度阈值。
根据本申请的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于机器学习的医疗风险信息推送方法对应的操作。
根据本申请的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于机器学习的医疗风险信息推送方法对应的操作。
借由上述技术方案，本申请实施例提供的技术方案至少具有下列优点：
本申请提供了一种基于机器学习的医疗风险信息推送方法及装置。与现有技术相比，本申请实施例通过获取预设采集设备的全部位点信息；基于筛选处理模型从所述全部位点信息中筛选目标测试位点，提取与所述目标测试位点匹配的医疗检测数据，所述筛选处理模型为基于测试验证集的模型评估指标对模型超参数进行调整完成训练得到的；基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息，所述第一过程信息用于表征与所述目标病程信息匹配的病症时间、就诊信息、医疗阶段；若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与所述第一过程信息的相似度超过预设相似度阈值，则获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送，可以针对患者的自身情况及时灵活的推送信息，提高了信息推送的有效性，降低患病风险发生率的同时，提高了智慧医疗系统中就医数据的处理准确性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例提供的一种基于机器学习的医疗风险信息推送方法流程图；
图2示出了本申请实施例提供的一种基于机器学习的医疗风险信息推送装置组成框图；
图3示出了本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
基于此，在一个实施例中，如图1所示，提供了一种基于机器学习的医疗风险信息推送方法，以该方法应用于服务器等计算机设备为例进行说明，其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器，如智能医疗系统、数字医疗平台等。上述方法包括以下步骤：
101、获取预设采集设备的全部位点信息。
其中，采集设备为包含芯片的医疗检测设备，如含有采血设备，尿检设备等。本申请实施例中，以预置糖肾遗传学信息SNP检测设备为例，其为包含有SNP芯片的采血设备，SNP芯片可以分解血液中的遗传信息，即作为SNP位点的检测数据进行进一步数据处理。另外，由于SNP遗传信息为各个位点中记录的，因此，为了便于进行数据处理，获取预置糖肾遗传信息SNP检测设备的全部位点。
需要说明的是，本申请实施例中获取全部位点为针对当前用户的采血信息进行数据获取，以便对此用户进行风险信息的推送，例如，线下用户通过固定的检测设备进行扫码采血，然后根据扫码记录的身份信息，将经过解析匹配后得到的风险信息推送给此用户。
102、基于筛选处理模型从全部位点信息中筛选目标测试位点，提取与目标测试位点匹配的医疗检测数据。
其中，筛选处理模型为基于测试验证集的模型评估指标对模型超参数进行调整完成训练得到的。
本申请实施例中，目标测试位点为基于筛选处理模型进行预测筛选得到的。筛选处理模型为利用测试验证集的模型评估指标对模型中的超参数进行调整完成模型训练的得到的。医疗检测数据的提取方法为选取预置个数的主成分，并通过各个主成分的系数绝对值的大小进行排序，筛选预置个数的位点数据，以将各个主成分筛选出的位点数据进行组合得到的各个位点数据所对应的医疗检测数值，进一步的利用此检测数据进行预测处理。
需要说明的是，由于面板空间有限，通常情况下，一个面板中能容纳的测试位点数量大约为100个，所以需要从百万量级的测试位点中，选择出对预测效果最有利的，数量在100个以内的测试位点，以达到精准的预测医疗测试结果的高效性能。需要从全部位点中筛选出目标测试位点，从而结合已完成训练的预测模型对目标测试位点数据所对应的医疗检测数据进行预测处理，得到医疗预测结果。进一步的，预测模型用于对各个目标测试位点所对应的医疗检测数据进行目标病症风险的预测处理，因此，对应的医疗预测结果即包括不同程度的目标病症风险分布或者风险状态，例如，低级风险、中级风险、高级风险等，也可以进行更细致的划分，本申请实施例不做具体限定。其中，预测模型可以为神经网络模型、支持向量机模型等机器学习模型，再进行预测处理完成模型训练，本申请实施例不做具体限定。
103、基于已完成模型训练的风险预测模型对医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息。
其中，第一过程信息用于表征与目标病程信息匹配的病症时间、就诊信息、医疗阶段。
本申请实施例中，目标病症为用户感知身体异样而进行的有目标的身体指标监测，进而得到的病症信息，例如糖肾病症等。第一过程信息为进行风险预测的当前用户的过程信息，例如当前用户的患病时长，已经接收的治疗项目，以及针对症状划分的医疗阶段等。由于医疗预测结果用于表示用户处于目标病症的风险状态，因此，为了向用户进行推荐信息，进一步解析医疗预测结果中与目标病症信息匹配的病程信息。其中，病程信息用于表征不同患目标病症的时间、治疗方案、所处治疗阶段，可以基于不同的风险状态通过与目标病症病程时间线进行匹配，得到匹配的病程信息。
需要说明的是，目标病症病程时间线为基于海量目标病症患者的画像数据库而生成的，即从用户画像数据库中获取全部的患目标病症的时间，以及对应的治疗阶段，按照至少5个时间阶段对目标病症的时间段进行划分，得到至少5个病程阶段，从而进行匹配病程信息，包括早期、中期、中后期、后期、重症晚期，每个病程对应不同的治疗阶段，也可以为了使推送的信息更佳准确，而进行更细致的划分，本申请实施例不做具体限定。
104、若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与所述第一过程信息的相似度超过预设相似度阈值，则获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送。
本申请实施例中，第二过程信息为目标病症用户画像数据库中的用户的过程信息，具体内容可以与第一过程信息相似。由于本申请实施例中预先建立全部目标病症用户的用户画像，存储在目标病症用户画像数据库中，因此，在进行信息推送时，为了提高可信度，使得用户及时就医、准确就医，从已建立的目标病症用户画像数据库中查找病程信息相似度大于预设阈值的用户画像。即先计算当前用户的病程信息与画像数据库中的全部病程信息之间的相似度，若相似度大于预设阈值，则确定对应的用户画像。通常情况下，确定出的用户画像中记录有匹配用户所采集的诊疗信息以及确诊信息、病症信息等，因此，从匹配的用户画像中提取相对于目标病症某一阶段(如糖肾病症后期)预期产生的风险信息，进行推送，从而使进行风险预测的用户获知自身的身体状态，有效的选取医疗方案。
为了进一步说明及限定，本申请实施例中，获取预设采集设备的全部位点信息之前，本实施例方法还包括：获取位点样本测试特征集，确定第一预置个数的主成分特征；通过各个主成分特征的系数绝对值进行大小顺序排序，筛选第二预置个数的位点信息，并基于位点样本测试特征集计算模型评估指标；通过模型评估指标配置调整模型超参数，并结合筛选出的位点信息与模型超参数对筛选处理模型进行训练。
具体的，对于目标测试位点的筛选可以分为特征初步筛选以及特征精细筛选。其中特征初步筛选包括：在训练集上进行主成分分析，并选出前K个主成分特征(即第一预置个数的主成分特征)；将每个主成分的系数按照绝对值进行排序，选出前N个位点，并合并去重整合在一起作为候选位点集合，设该集合共包含M个位点(即第二预置个数的位点信息)，然后进行特征精细筛选。其中，特征精细筛选具体为：基于M个候选位点在训练集上利用筛选处理模型进行训练，然后选出筛选处理模型中特征重要性排名最前的Q个位点，Q为一个面板可以容纳的最多目标检测位点数量；利用Q个位点在训练集上训练筛选处理模型。其中，超参数调整是指通过模型在验证集上的模型评估指标对超参数进行调整，基于最终选出的位点集合及训练好的筛选处理模型，在测试集上验证模型效果，从而完成对筛选处理模型的训练。
本申请实施例中，进一步优选的，获取位点样本测试特征集，确定第一预置个数的主成分特征包括：提取位点样本测试集中至少一个位点位置信息，以及用于标记位点信息完整性的位点标识；依次按照行、列单位选取从位点样本测试集中的至少两个位点标识对应的位点位置信息，并统计选取的位点位置信息的个数；基于个数与预设采集设备的采集长度单位数之比，确定为第一预置个数，并将第一预置个数所对应的位点位置信息确定为主成分特征。
具体的，首先选取位点样本测试集中至少一个位点作为起点，并提取该位点位置信息，以及用于标记位点信息完整性的位点标识。需要说明的是，以采血设备为例，在采血的过程中，由于血液的流动性、被采血用户血液稀稠程度、以及采血针头刺入深浅等原因，会导致检测试纸上每个位点的血液覆盖率不相同，因此，需要选取符合检测要求标准的位点来组成位点样本测试集，即选取位点信息完整的位点。以该位点为起点，依次按照行、列单位选取一定的数量的位点提取位置信息，并统计数量。进一步的，根据个数与预设采集设备的采集长度单位数之比，确定为第一预置个数，并将对应的位置信息作为主成分特征(即上述所述选出前K个主成分特征)。
需要说明的是，第一预置个数最少为2个，最多不超过采集设备的检测组件可容纳的最大检测范围，具体数量视当前位点样本测试特征集的具体情况而定，本申请实施例不做具体限定。然而，为了使预测结果更准确，通常情况下，会选取在最大检测范围内数量尽可能多的位置信息作为主成分特征。
为了避免人工预测效率低下的问题，同时提高风险预测结果的准确性，本申请实施例中，进一步可选的，基于已完成模型训练的风险预测模型对医疗检测数据进行风险预测处理之前，本实施例方法还包括：构建卷积神经网络模型，并基于医疗检测数据样本集对卷积神经网络模型进行模型训练，得到所述风险预测模型。
其中，风险预测模型为基于医疗检测数据样本集中的测试位点样本数配置该卷积神经网络模型的层级权值完成迭代训练的。
具体的，本申请实施例选择构建卷积神经网络模型，即初始预测模型。利用历史医疗检测数据样本集对其进行训练得到预测模型。
为了使可参照的用户画像数据更全面，优选的，本实施例方法还包括：获取用户医疗数据库中与目标病症匹配的用户基础数据以及与目标病症关联的病症时间、就诊时间、医疗阶段；基于用户基础数据、病症时间、就诊时间、医疗阶段建立目标病症用户画像数据库。
在一种可能的实现方式中，所述数据是医疗数据，如个人健康档案、处方、检查报告等数据。具体的，可以遍历医疗机构的医疗数据库，从中筛选出与目标病症匹配的用户，并获取用户的基础数据(例如，用户年龄，性别，居住地等信息数据)以及与目标病症相关联的病症时间、就诊时间、医疗阶段等，以作为信息推送的参考数据。例如，当前进行风险识别的目标用户为45岁患糖肾症状的女性，身体状况表示为初期症状，在信息推送时，则首先匹配与其年龄相仿，同处于初期症状的女性用户的治疗策略进行推送，以保证信息推送的准确性。进一步的，基于用户基础数据、病症时间、就诊时间、医疗阶段建立目标病症用户画像数据库。
本申请实施例中，进一步的，基于用户基础数据、病症时间、就诊时间、医疗阶段建立目标病症用户画像数据库之后，本实施例方法还包括：获取目标病症用户画像数据库中各用户就诊过程中产生的诊断信息、以及与诊断信息匹配的当前症状信息、预期症状信息；结合诊断信息、当前症状信息、预期症状信息生成与不同医疗预测结果匹配的医疗风险信息。
其中，预期症状信息用于表征数据库中用户经过治疗后可能达到的症状信息，例如，中期症状的用户，通过积极配合治疗后，预期可以恢复到早期的症状等。具体的，在建立了目标病症用户画像数据库后，获取数据库中全量用户在就诊过程中产生的诊断信息、以及与诊断信息匹配的当前症状信息、预期症状信息，进一步的，生成不同医疗预测结果匹配的医疗风险信息，例如，A用户处于糖肾早期症状，基于当前诊断信息制定的治疗策略，预期可以将病症缓解到与正常指标无异，仅需稍加控制即可，那么A用户的病症风险状态即为低级风险。当进行风险预测的B用户风险状态为低级风险时，通过进一步基于诊断信息、以及与诊断信息匹配的当前症状信息、预期症状信息进行匹配后，结论是与A用户相匹配，则可以将A用户的治疗策略等向B用户进行推送。
为了提高信息推送的准确率，本申请实施例中，进一步优选的，获取用户画像数据中与医疗预测结果匹配的医疗风险信息，并进行推送之后，本实施例方法还包括：记录医疗风险信息的接收次数，并采集各用户基于医疗风险信息所产生的医疗操作；根据医疗操作与第一过程信息的就诊信息的相似度更新预设相似度阈值。
具体的，在完成信息推送之后，可以记录该医疗风险信息的被接收的次数，以及接收到该医疗风险信息的用户所进行的医疗操作。其中医疗操作可以是采取的治疗策略，也可以是就诊后的诊断信息等。进一步的，更新预设相似度阈值，以保证预测结果以及信息推送的准确率。
本申请提供了一种基于机器学习的医疗风险信息推送方法。与现有技术相比，本申请实施例通过获取预设采集设备的全部位点信息；基于筛选处理模型从所述全部位点信息中筛选目标测试位点，提取与所述目标测试位点匹配的医疗检测数据，所述筛选处理模型为基于测试验证集的模型评估指标对模型超参数进行调整完成训练得到的；基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息，所述第一过程信息用于表征与所述目标病程信息匹配的病症时间、就诊信息、医疗阶段；若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与所述第一过程信息的相似度超过预设相似度阈值，则获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送，可以针对患者的自身情况及时灵活的推送信息，提高了信息推送的有效性，降低患病风险发生率的同时，提高了智慧医疗系统中就医数据的处理准确性。
进一步的，作为对上述图1所示方法的实现，本申请实施例提供了一种基于机器学习的医疗风险信息推送装置，如图2所示，该装置包括：第一获取模块21，筛选模块22，解析模块23，推送模块24。
第一获取模块21，用于获取预设采集设备的全部位点信息；
筛选模块22，用于基于筛选处理模型从所述全部位点信息中筛选目标测试位点，提取与所述目标测试位点匹配的医疗检测数据，所述筛选处理模型为基于测试验证集的模型评估指标对模型超参数进行调整完成训练得到的；
解析模块23，用于基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息，所述第一过程信息用于表征与所述目标病程信息匹配的病症时间、就诊信息、医疗阶段；
推送模块24，用于若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与所述第一过程信息的相似度超过预设相似度阈值，则获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送。
在具体的应用场景中，所述第一获取模块21之前，所述装置还包括：
确定模块，用于获取位点样本测试特征集，确定第一预置个数的主成分特征；
计算模块，用于通过各个主成分特征的系数绝对值进行大小顺序排序，筛选第二预置个数的位点信息，并基于所述位点样本测试特征集计算模型评估指标；
训练模块，用于通过所述模型评估指标配置调整模型超参数，并结合筛选出的所述位点信息与所述模型超参数对筛选处理模型进行训练。
在具体的应用场景中，其特征在于，所述确定模块包括：
提取单元，用于提取位点样本测试集中至少一个位点位置信息，以及用于标记位点信息完整性的位点标识；
统计单元，用于依次按照行、列单位选取从所述位点样本测试集中的至少两个所述位点标识对应的位点位置信息，并统计选取的所述位点位置信息的个数；
确定单元，用于基于所述个数与所述预设采集设备的采集长度单位数之比，确定为第一预置个数，并将所述第一预置个数所对应的位点位置信息确定为主成分特征。
在具体的应用场景中，其特征在于，所述解析模块23之前，所述装置还包括：
构建模块，用于构建卷积神经网络模型，并基于医疗检测数据样本集对卷积神经网络模型进行模型训练，得到所述风险预测模型，其中，所述风险预先模型为基于所述医疗检测数据样本集中的测试位点样本数配置所述卷积神经网络模型的层级权值完成迭代训练的。
在具体的应用场景中，其特征在于，所述装置还包括：
第二获取模块，用于获取用户医疗数据库中与目标病症匹配的用户基础数据以及与所述目标病症关联的病症时间、就诊时间、医疗阶段；
建立模块，用于基于所述用户基础数据、所述病症时间、所述就诊时间、所述医疗阶段建立目标病症用户画像数据库。
在具体的应用场景中，其特征在于，所述建立模块之后，所述装置还包括：
第三获取模块，用于获取所述目标病症用户画像数据库中各用户就诊过程中产生的诊断信息、以及与所述诊断信息匹配的当前症状信息、预期症状信息；
生成模块，用于结合所述诊断信息、所述当前症状信息、所述预期症状信息生成与不同医疗预测结果匹配的医疗风险信息。
在具体的应用场景中，其特征在于，所述推送模块24之后，所述装置还包括：
记录模块，用于记录所述医疗风险信息的接收次数，并采集各用户基于所述医疗风险信息所产生的医疗操作；
更新模块，用于根据所述医疗操作与所述第一过程信息的就诊信息的相似度更新所述预设相似度阈值。
本申请提供了一种基于机器学习的医疗风险信息推送装置。与现有技术相比，本申请实施例通过获取预设采集设备的全部位点信息；基于筛选处理模型从所述全部位点信息中筛选目标测试位点，提取与所述目标测试位点匹配的医疗检测数据，所述筛选处理模型为基于测试验证集的模型评估指标对模型超参数进行调整完成训练得到的；基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息，所述第一过程信息用于表征与所述目标病程信息匹配的病症时间、就诊信息、医疗阶段；若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与所述第一过程信息的相似度超过预设相似度阈值，则获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送，可以针对患者的自身情况及时灵活的推送信息，提高了信息推送的有效性，降低患病风险发生率的同时，提高了智慧医疗系统中就医数据的处理准确性。
根据本申请一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于机器学习的医疗风险信息推送方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
图3示出了根据本申请一个实施例提供的一种计算机设备的结构示意图，本申请具体实施例并不对计算机设备的具体实现做限定。
如图3所示，该计算机设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302，用于执行程序310，具体可以执行上述基于项目申报的数据处理方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行以下操作：
获取预设采集设备的全部位点信息；
基于筛选处理模型从所述全部位点信息中筛选目标测试位点，提取与所述目标测试位点匹配的医疗检测数据，所述筛选处理模型为基于测试验证集的模型评估指标对模型超参数进行调整完成训练得到的；
基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息，所述第一过程信息用于表征与所述目标病程信息匹配的病症时间、就诊信息、医疗阶段；
若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与所述第一过程信息的相似度超过预设相似度阈值，则获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述基于多模态混合模型的业务数据处理的实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。
Claims (10)
1.一种基于机器学习的医疗风险信息推送方法，其特征在于，包括：
获取预设采集设备的全部位点信息；
基于筛选处理模型从所述全部位点信息中筛选目标测试位点，提取与所述目标测试位点匹配的医疗检测数据，所述筛选处理模型为基于测试验证集的模型评估指标对模型超参数进行调整完成训练得到的；
基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息，所述第一过程信息用于表征与所述目标病程信息匹配的病症时间、就诊信息、医疗阶段；
若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与所述第一过程信息的相似度超过预设相似度阈值，则获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送。
2.根据权利要求1所述的方法，其特征在于，所述获取预设采集设备的全部位点信息之前，所述方法还包括：
获取位点样本测试特征集，确定第一预置个数的主成分特征；
通过各个主成分特征的系数绝对值进行大小顺序排序，筛选第二预置个数的位点信息，并基于所述位点样本测试特征集计算模型评估指标；
通过所述模型评估指标配置调整模型超参数，并结合筛选出的所述位点信息与所述模型超参数对筛选处理模型进行训练。
3.根据权利要求2所述的方法，其特征在于，所述获取位点样本测试特征集，确定第一预置个数的主成分特征包括：
提取位点样本测试集中至少一个位点位置信息，以及用于标记位点信息完整性的位点标识；
依次按照行、列单位选取从所述位点样本测试集中的至少两个所述位点标识对应的位点位置信息，并统计选取的所述位点位置信息的个数；
基于所述个数与所述预设采集设备的采集长度单位数之比，确定为第一预置个数，并将所述第一预置个数所对应的位点位置信息确定为主成分特征。
4.根据权利要求1所述的方法，其特征在于，所述基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理之前，所述方法还包括：
构建卷积神经网络模型，并基于医疗检测数据样本集对卷积神经网络模型进行模型训练，得到所述风险预测模型，其中，所述风险预先模型为基于所述医疗检测数据样本集中的测试位点样本数配置所述卷积神经网络模型的层级权值完成迭代训练的。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取用户医疗数据库中与目标病症匹配的用户基础数据以及与所述目标病症关联的病症时间、就诊时间、医疗阶段；
基于所述用户基础数据、所述病症时间、所述就诊时间、所述医疗阶段建立目标病症用户画像数据库。
6.根据权利要求5所述的方法，其特征在于，所述基于所述用户基础数据、所述病症时间、所述就诊时间、所述医疗阶段建立目标病症用户画像数据库之后，所述方法还包括：
获取所述目标病症用户画像数据库中各用户就诊过程中产生的诊断信息、以及与所述诊断信息匹配的当前症状信息、预期症状信息；
结合所述诊断信息、所述当前症状信息、所述预期症状信息生成与不同医疗预测结果匹配的医疗风险信息。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送之后，所述方法还包括：
记录所述医疗风险信息的接收次数，并采集各用户基于所述医疗风险信息所产生的医疗操作；
根据所述医疗操作与所述第一过程信息的就诊信息的相似度更新所述预设相似度阈值。
8.一种基于机器学习的医疗风险信息推送装置，其特征在于，包括：
获取模块，用于获取预设采集设备的全部位点信息；
筛选模块，用于基于筛选处理模型从所述全部位点信息中筛选目标测试位点，提取与所述目标测试位点匹配的医疗检测数据，所述筛选处理模型为基于测试验证集的模型评估指标对模型超参数进行调整完成训练得到的；
解析模块，用于基于已完成模型训练的风险预测模型对所述医疗检测数据进行风险预测处理，并解析风险预测处理后得到的医疗预测结果中与目标病症信息匹配的第一过程信息，所述第一过程信息用于表征与所述目标病程信息匹配的病症时间、就诊信息、医疗阶段；
推送模块，用于若已建立的目标病症用户画像数据库中各用户画像数据所对应的第二过程信息与所述第一过程信息的相似度超过预设相似度阈值，则获取所述用户画像数据中与所述医疗预测结果匹配的医疗风险信息，并进行推送。
9.一种存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的基于机器学习的医疗风险信息推送方法对应的操作。
10.一种计算机设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的基于机器学习的医疗风险信息推送方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111017430.0A CN113724878B (zh) | 2021-08-31 | 2021-08-31 | 基于机器学习的医疗风险信息推送方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111017430.0A CN113724878B (zh) | 2021-08-31 | 2021-08-31 | 基于机器学习的医疗风险信息推送方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113724878A true CN113724878A (zh) | 2021-11-30 |
| CN113724878B CN113724878B (zh) | 2024-05-10 |
Family
ID=78680210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111017430.0A Active CN113724878B (zh) | 2021-08-31 | 2021-08-31 | 基于机器学习的医疗风险信息推送方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724878B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116013531A (zh) * | 2023-03-27 | 2023-04-25 | 中国人民解放军总医院 | 一种基于诊疗过程的风险识别预警系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740992A (zh) * | 2016-03-28 | 2016-07-06 | 浙江大学 | 一种医院医疗风险评估系统及方法 |
| US20160314256A1 (en) * | 2015-04-22 | 2016-10-27 | Reciprocal Labs Corporation (D/B/A Propeller Health) | Predictive modeling of respiratory disease risk and events |
| CN106934018A (zh) * | 2017-03-11 | 2017-07-07 | 广东省中医院 | 一种基于协同过滤的医生推荐系统 |
| CN110301899A (zh) * | 2019-07-01 | 2019-10-08 | 湘南学院附属医院 | 一种心脑血管疾病信息检测系统及方法 |
| CN110838366A (zh) * | 2019-10-15 | 2020-02-25 | 平安科技（深圳）有限公司 | 一种患病风险的预测方法及装置 |
| CN111540464A (zh) * | 2020-03-16 | 2020-08-14 | 中润普达(十堰)大数据中心有限公司 | 一种基于认知学习的生猪健康监测系统及其使用方法 |
| CN111696662A (zh) * | 2020-05-26 | 2020-09-22 | 平安科技（深圳）有限公司 | 疾病预测方法、装置及存储介质 |
| CN112185561A (zh) * | 2020-09-28 | 2021-01-05 | 平安医疗健康管理股份有限公司 | 用户画像的生成方法、装置和计算机设备 |
| CN112259161A (zh) * | 2020-10-21 | 2021-01-22 | 平安科技（深圳）有限公司 | 一种疾病风险评估系统、方法、装置及存储介质 |
| CN112553327A (zh) * | 2020-12-30 | 2021-03-26 | 中日友好医院(中日友好临床医学研究所) | 一种基于单核苷酸多态性的肺血栓栓塞症风险预测模型的构建方法、snp位点组合及应用 |
| CN113064960A (zh) * | 2020-01-02 | 2021-07-02 | 广州创金谷科技有限公司 | 一种精确搜索与患者病情相似病例的方法 |
-
2021
- 2021-08-31 CN CN202111017430.0A patent/CN113724878B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160314256A1 (en) * | 2015-04-22 | 2016-10-27 | Reciprocal Labs Corporation (D/B/A Propeller Health) | Predictive modeling of respiratory disease risk and events |
| CN105740992A (zh) * | 2016-03-28 | 2016-07-06 | 浙江大学 | 一种医院医疗风险评估系统及方法 |
| CN106934018A (zh) * | 2017-03-11 | 2017-07-07 | 广东省中医院 | 一种基于协同过滤的医生推荐系统 |
| CN110301899A (zh) * | 2019-07-01 | 2019-10-08 | 湘南学院附属医院 | 一种心脑血管疾病信息检测系统及方法 |
| CN110838366A (zh) * | 2019-10-15 | 2020-02-25 | 平安科技（深圳）有限公司 | 一种患病风险的预测方法及装置 |
| CN113064960A (zh) * | 2020-01-02 | 2021-07-02 | 广州创金谷科技有限公司 | 一种精确搜索与患者病情相似病例的方法 |
| CN111540464A (zh) * | 2020-03-16 | 2020-08-14 | 中润普达(十堰)大数据中心有限公司 | 一种基于认知学习的生猪健康监测系统及其使用方法 |
| CN111696662A (zh) * | 2020-05-26 | 2020-09-22 | 平安科技（深圳）有限公司 | 疾病预测方法、装置及存储介质 |
| CN112185561A (zh) * | 2020-09-28 | 2021-01-05 | 平安医疗健康管理股份有限公司 | 用户画像的生成方法、装置和计算机设备 |
| CN112259161A (zh) * | 2020-10-21 | 2021-01-22 | 平安科技（深圳）有限公司 | 一种疾病风险评估系统、方法、装置及存储介质 |
| CN112553327A (zh) * | 2020-12-30 | 2021-03-26 | 中日友好医院(中日友好临床医学研究所) | 一种基于单核苷酸多态性的肺血栓栓塞症风险预测模型的构建方法、snp位点组合及应用 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116013531A (zh) * | 2023-03-27 | 2023-04-25 | 中国人民解放军总医院 | 一种基于诊疗过程的风险识别预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113724878B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11423538B2 (en) | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers | |
| JP7305656B2 (ja) | 確率分布をモデル化するためのシステムおよび方法 | |
| KR101884609B1 (ko) | 모듈화된 강화학습을 통한 질병 진단 시스템 | |
| CA3137079A1 (en) | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers | |
| US20200151871A1 (en) | Application of deep learning for medical imaging evaluation | |
| CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
| Ramchandran et al. | Longitudinal variational autoencoder | |
| Alkhasawneh | Hybrid cascade forward neural network with Elman neural network for disease prediction | |
| Sims et al. | A neural architecture for detecting user confusion in eye-tracking data | |
| Saab et al. | Observational supervision for medical image classification using gaze data | |
| CN113077875B (zh) | Ct影像的处理方法及装置 | |
| Uddin et al. | Machine learning based diabetes detection model for false negative reduction | |
| JP2023532292A (ja) | 機械学習ベースの医療データチェッカ | |
| Baskaran et al. | Predicting breast screening attendance using machine learning techniques | |
| Enad et al. | A Review on artificial intelligence and quantum machine learning for heart disease diagnosis: current techniques, challenges, and issues, recent developments, and future directions | |
| CN113724878B (zh) | 基于机器学习的医疗风险信息推送方法及装置 | |
| Saputra et al. | Implementation of Machine Learning and Deep Learning Models Based on Structural MRI for Identification Autism Spectrum Disorder | |
| CN113485555A (zh) | 医学影像阅片方法、电子设备和存储介质 | |
| Chiari et al. | Length of stay prediction for Northern Italy COVID-19 patients based on lab tests and X-ray data | |
| Shetty et al. | Cross-modal deep learning-based clinical recommendation system for radiology report generation from chest x-rays | |
| JP7384705B2 (ja) | 分析装置、分析方法、および分析プログラム | |
| Pivithuru et al. | E-patient Card: An Integrated Electronic Health Recording System for Patient | |
| Joshi et al. | A Review on Application of Machine Learning in Medical Diagnosis | |
| CN112086174A (zh) | 一种三维知识诊断模型构建方法和系统 | |
| CN110660479A (zh) | 一种动态医学影像ai训练诊断系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |